ReAct 如何提升复杂任务？

30 秒回答

1. ReAct的核心思想是推理与行动的交织循环，而非先想后做或先做后想
2. 三个关键组件：Thought（推理）、Action（行动）、Observation（观察）
3. 相比纯CoT或纯Action，ReAct能处理需要外部信息动态获取的任务
4. 通过少样本示例即可激活，无需额外训练

回答与解析

答案要点

• ReAct的核心思想是推理与行动的交织循环，而非先想后做或先做后想
• 三个关键组件：Thought（推理）、Action（行动）、Observation（观察）
• 相比纯CoT或纯Action，ReAct能处理需要外部信息动态获取的任务
• 通过少样本示例即可激活，无需额外训练
• 在HotpotQA、WebShop等任务中验证有效

核心思想

ReAct = Reasoning + Acting，打破"先推理后行动"或"只行动不推理"的局限，让LLM在推理→行动→观察→再推理的循环中动态解决复杂任务。

工作流程

Thought 1: 我需要先搜索X的信息
    ↓
Action 1: Search[X]
    ↓
Observation 1: 返回结果...
    ↓
Thought 2: 基于观察，我还需要查询Y
    ↓
Action 2: Lookup[Y]
    ↓
...循环直到得出最终答案

三个关键元素：

• Thought：当前状态分析、下一步计划、关键信息整合
• Action：调用工具（搜索、计算、API等）
• Observation：工具返回的外部反馈

应用示例（知识问答）

问题："《繁花》导演还拍过哪些获得国际奖项的电影？"

相比纯CoT的优势

实际落地要点

• 提示设计：提供2-3个高质量少样本示例，规范输出格式
• 工具封装：Action需对应可执行函数，Observation要结构化
• 终止条件：定义Finish动作或最大步数限制，防止无限循环

口语版讲法(约4分钟)

• ReAct的本质是推理与行动交替，不是先想后做或只做不想
• 工作流程：Thought→Action→Observation循环
• 相比CoT或纯Action，核心优势是动态获取外部信息
• 业务落地：知识问答中的多步搜索，避免幻觉和错误累积
• 落地前提：工具封装和终止条件设计，否则容易无限循环

面试官，这道题问的是ReAct框架，我觉得它本质上是在问：怎么让大模型在复杂任务里既能思考又能动手，而且这两件事要交替着来，不是先想完再做或者只做不想。

ReAct的核心思想就是推理和行动交织成一个循环。具体来说，它有三个组件：Thought，就是模型基于当前状态做推理，比如‘我还缺什么信息’；Action，就是调用外部工具，比如搜索、计算；Observation，就是工具返回的结果。这三个东西不断循环，直到得出最终答案。

你可以这么理解：假设我问你‘《繁花》导演还拍过哪些获国际奖项的电影’，如果你只是纯推理，你可能靠训练数据里的知识回答，但万一你的知识截止了或者记错了呢？如果你只是纯行动，比如直接搜‘导演国际奖项’，可能搜出一堆无关信息。ReAct的做法是：先想一步，‘我得先知道导演是谁’，然后搜一下，得到‘王家卫’；再想一步，‘王家卫有哪些获奖作品’，再搜一次；最后观察到结果，总结答案。这个交替的过程，让模型能动态获取外部信息，避免幻觉，也避免盲目尝试。

相比纯Chain-of-Thought，ReAct的优势是它能处理需要外部信息更新的任务，比如实时数据、多步搜索。相比纯Action，它又不会瞎撞，因为每一步都有推理指导。说白了，CoT适合单步推理、知识闭卷的场景，纯Action适合简单工具调用，而ReAct适合需要多步规划和外部交互的复杂任务。真正落地的时候，我常常会把ReAct和CoT结合起来，比如先让模型用CoT做内部推理，遇到知识盲区再切换到Action去查。

举个例子，在客服退款场景里，用户问‘我订单XXX为什么还没退款’。纯CoT模型可能说‘订单已提交，请等待’，但实际可能是物流异常或库存问题。ReAct可以这样：先想‘需要查订单状态’，然后调订单API，返回‘已签收但退款未触发’；再想‘可能是物流异常’，调物流API，发现丢件；最后决定‘触发人工介入’。这样一步步推理加行动，比直接给答案靠谱得多。

这里有个坑：ReAct的效果高度依赖工具封装质量和终止条件设计。如果工具返回的信息不结构化，或者没有定义好‘什么时候该结束’，模型可能会无限循环下去。所以我上线的时候会特别关注两点：一是给每个Action配清晰的输入输出规范，二是设最大步数限制，比如最多5步，超时就回退到纯推理。

所以整体来看，我更倾向于把ReAct看成一种‘思维框架’，而不是一个固定算法。它真正有价值的地方，不是那三个组件本身，而是它让模型学会在思考和行动之间动态切换，像个有常识的人一样解决问题。如果让我选，我会优先用ReAct处理那些需要多步搜索、验证和工具调用的任务，而不是所有场景都套用。

关键一句:ReAct落地的关键前提是工具封装质量和终止条件设计，否则容易无限循环或信息混乱。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你在做一个电商客服Agent，用户问‘这个手机有什么颜色？’，你打算怎么设计思考-行动流程？如果用户接着问‘那红色款和蓝色款哪个续航好？’，Agent该怎么继续推理和查询？

2. 问法 2 · 层层追问

   你觉得大模型做复杂任务时，是直接把推理步骤写出来好，还是让它去调工具好？……那如果既要推理又要调工具，怎么结合？……有没有想过让它们交替进行，比如推理一步、调工具、再根据结果推理下一步？

3. 问法 3 · 直球架构

   请介绍一下ReAct框架的核心思想和完整工作流程，包括Thought、Action、Observation的具体含义和相互关系。再举一个具体任务例子，说明它如何通过交替推理与行动来提升复杂任务的解决能力。